Editorial Ilmu Komputer & AI
Open AccessOA2023
Memanfaatkan computer vision untuk pembelajaran adaptif dalam pendidikan STEM: efek keterlibatan dan efikasi diri
Para peneliti mengembangkan RASEDS, sistem computer vision yang mendeteksi tingkat keterlibatan pelajar STEM menggunakan YOLOR dan kerangka ICAP, serta merekomendasikan materi adaptif. Studi ini menemukan bahwa RASEDS mengukur keterlibatan secara akurat dan penggunaannya secara signifikan meningkatkan keterlibatan dan efikasi diri, dengan hubungan positif antara keduanya.
Ting-Ting Wu; Hsin-Yu Lee; Wei-Sheng Wang; Chia-Ju Lin; Yueh-Min Huangยท International Journal of Educational Technology in Higher Educationยท 2023ยท DOI 10.1186/s41239-023-00422-5
Masalah inti
Dalam pendidikan STEM, menumbuhkan keterampilan pemecahan masalah sangat penting, namun menilai keterlibatan pelajar secara akurat masih menjadi tantangan besar. Para penulis mengusulkan Real-time Automated STEM Engagement Detection System (RASEDS) untuk mengatasi masalah ini. RASEDS memanfaatkan AI, computer vision, dan kerangka Interactive, Constructive, Active, and Passive (ICAP) untuk mendeteksi dan memetakan interaksi pelajar ke dalam empat tingkat keterlibatan. Pemetaan ini menjadi dasar rekomendasi materi pembelajaran adaptif yang bertujuan meningkatkan keterlibatan dan efikasi diri dalam aktivitas STEM. Studi ini bertujuan memvalidasi akurasi RASEDS dalam mengukur keterlibatan dan menyelidiki efek materi adaptif terhadap keterlibatan dan efikasi diri, serta hubungan antara kedua konstruk tersebut.
Inovasi
Studi ini menggunakan desain yang melibatkan pengembangan dan evaluasi RASEDS. Sistem ini memakai You Only Learn One Representation (YOLOR) untuk deteksi waktu nyata interaksi pelajar, yang kemudian diklasifikasikan ke dalam empat tingkat ICAP: Interactive, Constructive, Active, dan Passive. Berdasarkan tingkat keterlibatan yang terdeteksi, sistem merekomendasikan materi pembelajaran adaptif yang disesuaikan dengan kondisi pelajar saat itu. Evaluasi kemungkinan melibatkan partisipan yang terlibat dalam aktivitas STEM, dengan data yang dikumpulkan mengenai keterlibatan (melalui RASEDS) dan efikasi diri (melalui survei). Studi ini menguji akurasi RASEDS dalam mengukur keterlibatan dan menilai dampak materi adaptif terhadap keterlibatan dan efikasi diri melalui pengukuran sebelum dan sesudah atau perbandingan. Namun, rincian spesifik mengenai ukuran sampel, durasi, dan instrumen tidak disediakan dalam konten mentah.
Pendahuluan
Dalam pendidikan STEM, menumbuhkan keterampilan pemecahan masalah sangat penting, namun menilai keterlibatan pelajar secara akurat masih menjadi tantangan besar. Para penulis mengusulkan Real-time Automated STEM Engagement Detection System (RASEDS) untuk mengatasi masalah ini. RASEDS memanfaatkan AI, computer vision, dan kerangka Interactive, Constructive, Active, and Passive (ICAP) untuk mendeteksi dan memetakan interaksi pelajar ke dalam empat tingkat keterlibatan. Pemetaan ini menjadi dasar rekomendasi materi pembelajaran adaptif yang bertujuan meningkatkan keterlibatan dan efikasi diri dalam aktivitas STEM. Studi ini bertujuan memvalidasi akurasi RASEDS dalam mengukur keterlibatan dan menyelidiki efek materi adaptif terhadap keterlibatan dan efikasi diri, serta hubungan antara kedua konstruk tersebut.
Mengapa penting
Temuan ini menegaskan potensi transformatif AI dalam memfasilitasi pembelajaran adaptif dalam pendidikan STEM. Hubungan simbiotik antara keterlibatan dan efikasi diri disorot: keterlibatan dan efikasi diri tampaknya saling memperkuat, menciptakan lingkaran umpan balik positif. Ini menunjukkan bahwa intervensi yang menyasar satu konstruk dapat secara tidak langsung memberi manfaat bagi konstruk lainnya. Penggunaan computer vision dan kerangka ICAP memberikan pendekatan baru untuk deteksi keterlibatan waktu nyata, memungkinkan pembelajaran adaptif yang tepat waktu dan personal. Studi ini berkontribusi pada kumpulan penelitian yang berkembang tentang AI dalam pendidikan dengan menunjukkan aplikasi praktis yang meningkatkan keterlibatan dan efikasi diri. Namun, batasan seperti kurangnya informasi metodologis yang rinci dan potensi masalah generalisasi perlu dipertimbangkan. Penelitian selanjutnya dapat mengeksplorasi efek jangka panjang dan skalabilitas RASEDS dalam beragam lingkungan pendidikan.
Siapa yang sebaiknya membaca
Pembaca Research Digest dan praktisi rumpun ini.
Membuka konten memberโฆ